根据「Nature」的报导，在智慧机器人导航与路径规划领域，研究人员正积极寻求更精准、更高效的解决方案。近期一项研究聚焦於此挑战，并提出了一种结合模糊神经网路（FNN）与遗传演算法（GA）的创新方法。

该研究首先着重於提升机器人在复杂环境中的导航精度。研究人员采用了模糊神经网路演算法，透过其模糊逻辑的决策能力和神经网路的学习特性，使机器人能够更准确地感知环境并调整自身姿态，从而提高导航的可靠性。

实验数据显示，基於模糊神经网路的智慧机器人导航精度显着提升，达到了98.64%。

其次，该研究关注於优化机器人的路径规划效率。研究人员利用遗传演算法的全局搜索能力和优化特性，旨在为机器人在复杂环境中寻找到耗时最短、效率最高的导航路径。透过模拟生物进化中的选择、交叉和变异等过程，遗传演算法能够在庞大的搜索空间中快速收敛到近似最优解，确保机器人能够在最短的时间内完成导航任务。

实验结果显示，相较於其他方法，基於模糊神经网路与遗传演算法的模型在路径规划方面展现出更高的效率和更短的规划时间。

为了验证所提出方法的优越性，研究团队进行了对比实验，将整合模糊神经网路的导航方法与整合反向传播神经网路（BPNN）、自组织映射网路（SOM）以及适应性共振理论神经网路（ART）的导航方法进行了比较。

而实验数据也清楚显示，基於模糊神经网路的智慧机器人在导航精度和误差角度偏差方面均表现出更优异的性能，其最小误差角度偏差仅为1.52%。

这项研究透过将模糊神经网路应用於导航精度提升，并利用遗传演算法优化路径规划效率，为智慧机器人在复杂环境下的自主移动能力提供了新的技术途径。